现如今人工智能飞速发展，已被广泛应用于各种领域，包括高端医疗器械展。

 

人工智能在口腔修复学领域中的应用主要集中在以下三个方面：

 

一、影像的识别和处理

 

1、X线和全景片的识别

 

（1）牙位的自动识别和牙齿年龄的估算

 

 

（2）口腔疾病的识别：利用深度学习模型可以识别包括龋病、根尖周病、牙体缺损、残根、多生牙等口腔疾病，辅助快速诊断。

 

 

2、CBCT的自动分割

 

CBCT成像是提供完整牙齿和牙槽骨综合3D体积信息的唯一方式，从CBCT图像中分割单个牙齿和牙龈骨结构以重建精确的3D模型在数字牙科中至关重要。全自动牙齿和牙槽骨分割是复杂的，其功能的实现至少由三个主要步骤组成，包括兴趣区域（ROI）定位、牙齿分割和牙槽骨分割。以往方法通常只关注其中一个步骤，例如在预定义的ROI区域进行牙齿分割或牙槽骨分割。其次，很难处理临床实践中常见的复杂病例，例如牙齿缺失、错位和金属伪影。第三，以前的方法通常在非常小的数据集（即10-30次CBCT扫描）上实施和测试，限制了它们在通过不同成像协议和不同患者群体获得的CBCT图像上的可推广性和适用性。上海科技大学生物医学工程学院沈定刚团队针对这些临床应用局限，开发了基于深度学习的全自动牙齿和牙槽骨分割系统。

 

 

该系统包含了多层次形态学引导的牙齿分割网络和基于滤波增强的牙槽骨级联分割网络。该系统在外部数据集上的分割评价指标Dice系数在牙齿和牙槽骨分别为92.54%、93.8%，灵敏度为92.1%（牙）和93.5%（骨），ASD误差为0.21毫米（牙）和0.40毫米（骨）。

 

在临床实践中，寻求牙科治疗的患者通常患有各种牙科问题，例如牙齿缺失、移位和口内金属植入物。该系统同样可以应用于牙齿缺失和错位的患者，而对金属伪影的处理略有不足。

 

除了硬组织的分割，AI在软组织分割中也展现了其优越性。在CBCT图像上准确划定下颌神经管范围对于预防阻生牙拔除术、种植手术、正颌手术中的神经损伤至关重要。在传统的CBCT上想要实现下颌神经管追踪需要在神经管路径上手动标记，以产生具有固定直径的管道。这种方法依赖于人工标记，准确性不足，此外，这种逐帧手动追踪非常耗时，无法满足日益增长的临床需求。

 

基于深度学习的人工智能系统可以实现不同模型中下颌神经管的精确分割，具体步骤包含了ROI提取，下颌神经管整体分割以及最后局部分割以完善结果。内部和外部数据集表现也证明了它的鲁棒性和强泛化性。对于如下颌第三磨牙牙根压迫神经管的复杂病例，该系统也展现出较好的分割效果。

 

 

二、修复体的辅助设计

 

1、全冠修复体的辅助设计

 

华西口腔沈颉飞教授团队利用深度学习技术开发了牙体缺损形态个性化自动补全系统。

 

 

 其他应用也包括冠的边缘线、整体形态和咬合面形态的辅助设计。

 

 

2、RPD自动设计系统

 

传统RPD设计依赖于经验丰富的技工或牙科医生手动完成，费时且易出错。AI技术特别是基于深度学习的图像分析和CAD（计算机辅助设计）技术，可以快速生成患者特定的RPD设计，减少人工误差。

 

 

3、预测修复体粘接强度和寿命

 

 

4、口腔修复新材料的研发

 

在过去的 40 年里，牙科使用的CAD/CAM材料得到了显著发展。研究人员一直在将人工智能（尤其是机器学习）与传统实验方法相结合，以发现修复材料的特性与各种多方面物理因素之间的联系。与传统实验方法相比，机器学习是一种更快的方法，因为它可以快速评估和分析收集的数据，提取相关特征并节省时间，加速新材料的设计过程，提升材料质量。

 

 

三、智能对话模型和智能设备

 

1、口腔智能对话模型

 

自然语言处理（NLP）技术能分析患者提交的症状并提供建议，但其在口腔科的应用仍需优化。随着NLP的进步，智能对话模型将在口腔护理和管理中发挥更大的作用。

 

 

2、智能口腔设备

 

 

 随着人工智能技术的不断发展，口腔领域的数智化程度会越来越高。基于线上医患平台和智能问诊系统，从高精度数据采集处理，到全自动虚拟患者构建，再到全面数据分析、疾病诊断、智能治疗方案设计、治疗效果预测，并按计划进行高精度治疗实施、自动检测治疗流程，最后到随访。口腔修复学在人工智能助力下也将获得进一步发展。

 

文章来源： 钟楼修韵

若涉及侵权，请立刻联系删除

关键字：

人工智能

口腔修复